KI-gestützte Mustererkennung deckt verdächtige Ozon-Substanz-Exporte auf

Ein neues Forschungsprojekt nutzt unüberwachtes maschinelles Lernen, um die Einhaltung des Montrealer Protokolls zu überwachen. Durch die Analyse von 100.000 Zolldatensätzen werden Handelsmuster systematisch identifiziert, die auf mögliche Verstöße hinweisen.

Der Ansatz kombiniert mehrere Techniken: K‑Means‑Clustering bildet natürliche Handelsarchtypen anhand von Wert und Gewicht, während Isolation Forest und IQR anomale „Mega‑Handelstransaktionen“ sowie ungewöhnlich hohe Preis‑pro‑Kilogramm‑Werte aufdecken. Ergänzend werden heuristische Flagging‑Methoden eingesetzt, um Taktiken wie vage Versandbeschreibungen zu erkennen.

Alle Erkenntnisse werden zu einem Prioritätswert zusammengeführt, der 1.351 Preis‑Ausreißer und 1.288 hochprioritäre Sendungen für die Zollprüfung identifizierte. Die Analyse zeigte, dass hochprioritäre Güter ein deutlich höheres Wert‑zu‑Gewicht‑Verhältnis aufweisen als durchschnittliche Waren. Durch Explainable‑AI‑Methoden (SHAP) wurden die wichtigsten Risikofaktoren – vage Beschreibungen und hoher Wert – bestätigt.

Die Sensitivität des Modells wurde durch die Erkennung eines massiven Anstiegs an „Mega‑Handelstransaktionen“ Anfang 2021 verifiziert, der direkt mit der Wirkung des US‑AIM‑Acts zusammenhängt. Das Ergebnis ist ein wiederholbarer, unüberwachter Lernpipeline, die Rohdaten in priorisierte, nutzbare Informationen für Regulierungsbehörden umwandelt.